[发明专利]基于机电设备状态数据漂移的故障预测方法及系统

权利要求书

1.一种基于机电设备状态数据漂移的故障预测方法，其特征在于，所述基于机电设备状态数据漂移的故障预测方法包括：

获取每台所述机电设备的历史检测数据；

分别对每组所述历史检测数据进行训练，得到故障预测模型；

若获取到每台所述机电设备的运行状态数据，则使用对应的故障预测模型对所述运行状态数据进行预测，得到对应的预测结果，其中包括：

实时对所述机电设备进行检测，得到每台所述机电设备的所述运行状态数据；

将每台所述机电设备对应的所述运行状态数据输入对应的故障预测模型，得到机电设备故障预测概率；

根据机电设备在设备系统中的重要性构建置信区间，根据所述置信区间获取每台所述机电设备的可接受风险概率；

根据所述可接受风险概率和每台所述机电设备的所述设备标识，得到每台所述机电设备的所述预测结果；

根据所述预测结果，为对应的所述机电设备设置维修计划。

2.如权利要求1所述的基于机电设备状态数据漂移的故障预测方法，其特征在于，所述获取每台所述机电设备的历史检测数据，包括：

每台所述机电设备包括对应的设备标识，根据所述设备标识调取每台所述机电设备对应的运行数据库；

从每台所述机电设备对应的所述运行数据库中获取所述历史检测数据。

3.如权利要求1所述的基于机电设备状态数据漂移的故障预测方法，其特征在于，分别对每组所述历史检测数据进行训练，得到故障预测模型，包括：

每组所述历史检测数据包括机电设备运行波形，根据所述机电设备运行波形，设置在每组所述历史检测数据中的每条所述机电设备运行波形对应的运行包络线；

将每组所述历史检测数据对应的所述运行包络线作为训练集，通过CNN提取每条所述运行包络线的特征向量；

使用LSTM网络对每组历史检测数据对应的所述训练集所述特征向量进行训练，得到所述故障预测模型。

4.如权利要求3所述的基于机电设备状态数据漂移的故障预测方法，其特征在于，所述将每组所述历史检测数据对应的所述运行包络线作为训练集，通过CNN提取每条所述运行包络线的特征向量，包括：

获取每条所述运行包络线的幅度、变化拐点以及曲率，通过将每条所述运行包络线输入CNN中，将所述幅度、所述变化拐点以及所述曲率作为与所述运行包络线对应的特征值；

将每条所述运行包络线对应的所述特征值构建所述特征向量。

5.一种基于机电设备状态数据漂移的故障预测系统，其特征在于，所述基于机电设备状态数据漂移的故障预测系统包括：

历史检测数据获取模块，用于获取每台所述机电设备的历史检测数据；

模型获取模块，用于分别对每组所述历史检测数据进行训练，得到故障预测模型；

预测结果获取模块，用于若获取到每台所述机电设备的运行状态数据，则使用对应的故障预测模型对所述运行状态数据进行预测，得到对应的预测结果，其中包括：

运行状态数据获取子模块，用于实时对所述机电设备进行检测，得到每台所述机电设备的所述运行状态数据；

故障预测子模块，用于将每台所述机电设备对应的所述运行状态数据输入对应的故障预测模型，得到机电设备故障预测概率；

风险评估子模块，用于根据机电设备在设备系统中的重要性构建置信区间，根据所述置信区间获取每台所述机电设备的可接受风险概率；

预测结果获取子模块，用于根据所述可接受风险概率和每台所述机电设备的所述设备标识，得到每台所述机电设备的所述预测结果；

维修计划设置模块，用于根据所述预测结果，为对应的所述机电设备设置维修计划。

6.如权利要求5所述的基于机电设备状态数据漂移的故障预测系统，其特征在于，所述历史检测数据获取模块包括：

数据库调用子模块，用于每台所述机电设备包括对应的设备标识，根据所述设备标识调取每台所述机电设备对应的运行数据库；

历史检测数据获取子模块，用于从每台所述机电设备对应的所述运行数据库中获取所述历史检测数据。